如何使用R

我想从包含时间相关协变量的Cox比例风险模型中生成生存时间。模型是

h(t|Xi) =h_0(t) exp(gamma*Xi + alpha*mi(t))

其中，

Xi

由

二项式（1,0.5）

生成，

mi（t）

是一个

时间相关协变量

对于与时间无关的协变量，我生成如下

#For time independent case
# h_0(t) = 1
gamma <- -1
u <- runif(n=100,min=0,max=1)
Xi <- rbinom(n=100,size=1,prob=0.5)
T <- -log(u)/exp(gamma*Xi)

#对于时间无关的情况
#h_0（t）=1
γ时间依赖性协变量通过在协变量变化时截尾观测值并在时间0或截尾时重新进入队列输入Cox模型。因此，根据事件观察的前/后周期，生成具有间隔的协变量矩阵，并将非事件的多对一和事件的多对二合并。您可以在事件发生后删除协变量修改。Cox模型不能处理协变量值和失效的同时变化，因此我们必须排除这种可能性

为了模拟生存结果，需要生成协变量值和切换点。然后根据基线协变量值模拟生存结果。如果第一个协变量变化时间超过失败时间，则保留失败时间，且该参与者没有协变量变化，否则在该失败时间对观察结果进行审查，并在审查时间以新的协变量值将其重新输入队列。模拟第二个协变量值变化（如果存在）和第二个可能的故障时间，对其进行迭代评估，并仅在故障时间先于协变量变化值时结束

如果这样说，可能会有人提供比我更高效的代码，但一个简单的方法是使用递归。我将暂时假设存在一个恒定的基线风险函数（指数生存），但根据任意基线风险函数模拟生存结果的原理已在别处描述过，我将其留给你们。为了简单起见，我还假设m是二进制的。同样，这也是你包装的基础。

sim <- function(id=1:100, t0= rep(0, 100), m0=rep(0, 100), bfail=c(0,0), rchange=1) {
  tfail <- rexp(length(id), exp(bfail[1] + bfail[2]*m0))
  tchange <- rexp(length(id), rchange)
  tevent <- pmin(tfail, tchange)
  fevent <- tfail == tevent
  if (all(fevent))
    return(list(cbind('start'=t0, 'stop'=t0+tevent, 'event'=fevent, 'id'=id, 'm'=m0)))
  c(
    list(cbind('start'=t0, 'stop'=t0+tevent, 'event'=fevent, 'id'=id, 'm'=m0)), 
    sim(id = id[!fevent], t0=(t0+tevent)[!fevent], m0=1-m0[!fevent], bfail, rchange)
  )

}

sim-Late-reply，但您可以尝试使用genSurv软件包中的genTDCM功能或CoxFlexBoost软件包中的rSurvTime功能。还有，这篇文章有一个类似的问题
set.seed(123)
times <- sim(id=1:1000, t0= rep(0, 1000), m0=rep(0, 1000), bfail=c(-1, -2), rchange=0.4)
times <- as.data.frame(do.call(rbind, times))
coxph(Surv(start, stop, event) ~ m, data=times)

> coxph(Surv(start, stop, event) ~ m, data=times)
Call:
coxph(formula = Surv(start, stop, event) ~ m, data = times)

    coef exp(coef) se(coef)     z      p
m -1.917     0.147    0.100 -19.1 <2e-16

Likelihood ratio test=533  on 1 df, p=0
n= 2852, number of events= 1000